经济的快速发展与人们社会活动的不断增加，使得群体性事件与日俱增，从而群体性的安全态势分析越来越受到人们的关注。而安防监控场景下的人群人数统计是人群安全态势中的一个重要内容，通过人群人数的动态变化反推出人群异常事件，实现公共安全早期预警，对人群的安全态势分析有着非常重要的意义。　　基于此目的和意义，本文的主要研究内容包括以下4点：　　（1）在许多计算机视觉应用中，将运动目标从监控视频序列中精确提取出来是整个监控系统的关键一步，也是目标检测与识别等后续处理的基础。本文比较了混合高斯背景建模与基于视觉背景提取两种方法，并通过实验发现基于视觉背景提取算法能很好的解决光照、场景微小变化等一系列问题，得到比较清晰的前景目标。得到前景目标后，通过目标的边缘像素信息，提出阈值机制，用于粗略分开低密度人群与高密度人群。　　（2）在场景人数较多的环境下，由于人群遮挡等因素，已不能通过简单的像素拟合得到精确的人群人数，因此提取图像的纹理特征作为人数统计的依据。由于人群密度较大环境下，图像表现出细纹理特征，因此本文融合了LBP特征与Haralick特征来描述场景纹理。采用经过LBP运算的图像的灰度共生矩阵的熵、能量、对比度和逆差距这4个统计量来描述纹理，不仅减少了描述纹理特征的参数，而且提高了表达纹理的能力。　　（3）用于训练的人群数据集可能存在分布不均匀的问题，导致训练模型出现较大误差。本文在此问题上采用了基于累积属性空间的多输入多输出脊回归方法，通过寻找属性与输出变量的中间桥梁，通过一次脊回归和一次SVR回归训练得到可靠的数据模型。　　（4）在Visual Studio2010编程环境下，联合OpenCV图像处理库，搭建了基于本文方法的人群人数统计系统，以此验证本文算法的有效性及精确度。　　在以上研究内容的基础上，将本文算法得到的实验结果与其它方法得到的结果相比较，可以看出本文的人群人数统计方法较之以往的算法精度有所提升。